Universidad Autónoma de Zacatecas
Unidad Académica de Ingenierı́a Eléctrica
Ingenierı́a Biomédica
Inteligencia Artificial
Alumno(a): Carlos Eduardo Salazar Murillo
Matrı́cula: 42206527
Tarea: Regresión lineal
Fecha: 10 de marzo de 2025
Introducción
La regresión lineal es un análisis usado para predecir el valor de una variable basado en el valor de
otra variable, a la variable que se quiere predecir se le llama variable dependiente por el contrario
la otra se llama variable independiente.
Desarrollo
Para comprender la regresión lineal es preciso empezar por identificar el problema central de la
misma, que es encontrar una función que se aproxime lo mejor posible como cambia Y al variar
X.
Abordamos primero que nada la regresión linear simple:
Y ≈ β0 + β1 X (1)
La ecuación 1 es la usada para encontrar la recta en forma pendiente (intersección) a pesar de
que inicialmente se puede pensar que lo que se busca es encontrar la pendiente, en el caso de
la regresión lineal esto no es ası́, puesto que no se busca una recta que pasee forzosamente por
todos los puntos sino la de mejor ajuste, esto quiere decir que se busca una linea recta la cual
minimice lo mas que se pueda la distancia entre ella y los datos, volviendo a centrarnos en la
ecuación podemos observar los coeficientes β0 yβ1 X estos coeficientes son nuestras incognitas y
para poder calcular estos mismos se requiere de trabajar con datos, es decir las observaciones,
seran trabajadas en pares.
(x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ) (2)
Con todo ello nosotros tenemos como objetivo encontrar β0 ası́ como tambien encontrar β1 re-
spectivamente el primero representa el intercepto y el segundo la pendiente sin embargo ya fue
mencionado anteriormente, nuestro objetivo es lograr obtener una lı́nea que para ejemplificar
n=200, entonces el objetivo es encontrar una linea que se acerque lo mas posible a esa cantidad
de datos, ahora bien, la aplicación de metodos para medir este tipo de problemas es varia, pero
comenzaremos con RSS que significa la suma de los residuos de los cuadrados.
RSS
La suma de los residuos al cuadrado (RSS) se utiliza para medir la dispersión de los datos reales
respecto a los valores predichos por el modelo de regresión. Si los valores arrojados son pequeños
1
entonces podemos decir que los valores predichos por el modelo son entonces cercanos a los reales.
Figure 1: Figura que representa la linea resultado de regresión lineal.
En este gráfico podemos observar un conjunto de datos que corresponde a los datos reales y
la linea azul que atraviesa dicha gráfica, dicho de otra forma intentando predecir los valores de
Y apartir de X, en el gráfico se puede observar una linea que une a los puntos con la recta, esa
linea representa la diferencia entre el valor real y el valor predicho,
n
X
RSS = (yi − ŷi )2 (3)
i=1
yi : es el valor observado de la variable dependiente para la observación i.
ŷi :es el valor predicho por la linea de regresión en la observación i.
n: es el número total de observaciones del conjunto.
Como nota adicional, la elevación al cuadrado de todos los residuos es necesaria para asegurar
valores positivos, haciendole al RSS ser sensible a valores que sean mas grandes, el método RSS
nos asegura poder obtener una mejor linea de ajuste para nuestros datos.
Coeficientes
Para proceder, es necesario entender que uno de los objetivos de la regresión lineal es escoger
los coeficientes β0 y β1 X que logren que RSS sea lo suficientemente pequeño, ahora bien las
formulas para la obtención de los coeficientes se presentan a continuación:
Pn
(x − x̄)(yi − ȳ)
β̂1 = Pn i
i=1
2
(4)
i=1 (xi − x̄)
β̂0 = ȳ − β̂1 x̄ (5)
Empezando con la ecuación 4 mostrada, describiremos el numerador en el cual se deja ver
como X y Y varı́an juntas, es decir, si tienden a aumentar o disminuir, es decir, se mide la
covarianza entre estas dos variables.
Siguiendo con la fórmula del denominador, es mas que nada la varianza existente en la variable
X.
2
Ahora bien eso nos deja la ecuación cuatro resumida a:
Cov(X, Y )
β̂1 = (6)
V ar(X)
Esto quiere decir que se mide cuanto cambia Y por cada unidad que cambia X todo ello ajustado
a la varianza de X.
Continuando ahora con la ecuación 5 la cual esta conformada con los valores medios de los ob-
servados en las variables X y Y y luego tenemos nuevamente a β1 , que es calculado ya por la
fórmula de la ecuación 4. En si esta termina por mencionar que β0 es la intersección de la linea
de regresión con el eje Y.
Conclusiones